中文词频统计

中文分词

1. 下载一中文长篇小说，并转换成UTF-8编码。
2. 使用jieba库，进行中文词频统计，输出TOP20的词及出现次数。
3. 排除一些无意义词、合并同一词。
4. 对词频统计结果做简单的解读。

   #导入jieba库
   import jieba
   #将导入的小说，将其转换成utf8编码
   news=open('book1.txt','r',encoding='utf-8').read()
   
   words=list(jieba.cut(news))#将小说分成一个一个词语
   #排除无意义的词
   exp={'，','没有','甚么','自己', '因为','可以','他们','所以','觉得',
        '可能','一个','知道','不是','这个','这么', '这种','已经','回答','虽然',
       '但是', '我们', '应该','如果','无法','之后','看着','那个','怎么','一下',
        '这里','这样',}
   
   #字典
   dic={}
   keys=set(words)-exp
   for w in keys:
       if len(w)>1:
          dic[w]=words.count(w)
   wc=list(dic.items())
   wc.sort(key=lambda x:x[1],reverse=True)
   for i in range(20):
       print(wc[i])

   

通过分析，可以知道浩介是主角，主要是讲浪矢杂货铺帮忙解决问题，